Resumen: Los modelos de lenguaje grande (LLM) son prometedores en la automatización del diagnóstico clínico, pero su toma de decisiones poco transparente y su alineación limitada con los estándares de diagnóstico obstaculizan la confianza y la adopción clínica. Abordamos este desafío proponiendo un marco de diagnóstico de dos etapas que mejora la transparencia, la confiabilidad y la fiabilidad. Primero, presentamos el Razonamiento Diagnóstico Guiado por Evidencia (EGDR), que guía a los LLM para generar hipótesis de diagnóstico estructuradas entrelazando la extracción de evidencia con el razonamiento lógico basado en los criterios del DSM-5. En segundo lugar, proponemos un módulo de puntuación de confianza en el diagnóstico (DCS) que evalúa la precisión fáctica y la coherencia lógica de los diagnósticos generados a través de dos métricas interpretables: la puntuación de atribución de conocimiento (KAS) y la puntuación de coherencia lógica (LCS). Evaluado en el conjunto de datos D4 con pseudoetiquetas, EGDR supera las indicaciones directas en contexto y la cadena de pensamiento (CoT) en cinco LLM. Por ejemplo, en OpenBioLLM, EGDR mejora la precisión de 0,31 (Directo) a 0,76 y aumenta DCS de 0,50 a 0,67. En MedLlama, la DCS sube de 0,58 (CoT) a 0,77. En general, EGDR produce hasta un +45 % de precisión y un +36 % de ganancias en DCS con respecto a los métodos de referencia, lo que ofrece una base interpretable y clínicamente fundamentada para un diagnóstico confiable asistido por IA.
Publicado originalmente en export.arxiv.org el 25 de noviembre de 2025.
Ver fuente original
